روشهای آماری زیادی برای شناسایی الگوی تصویر صورت وجود دارد که دو روش متداول زیر برای کاهش بعد به کار می رود؛ تحلیل مولفه های اصلی (pca) و تحلیل تفکیک کننده خطی (lda). هدف این روش های استخراج ویژگی کاهش دادن ابعاد ویژگی های مورد استفاده در مرحله کلاس بندی می باشد. این الگوریتم ها تصویر را به صورت یک بردار تک بعدی درمی آورند که ما را به سمت "curse of dimensionality" و مشکل small size of samples (sss) هدایت می کنند. برای حل این مشکل الگوریتم dater و چند الگوریتم بهبود یافته مبتنی بر آن پیشنهاد شده است که تصویر را به صورت تنسور با درجه مربوطه کد می کند. الگوریتم dater توسط بهینه کردن معیار جدید کاهش بعد، dtc، چندین زیرفضای وابسته را در فضای با ابعاد کمتر می یابد که تعداد این زیر فضاها به وسیله درجه تنسور استفاده شده تعیین می شود. در روش پیشنهادی با فرموله کردن یافتن ابعاد پروجکشن زمان رسیدن به آن ابعاد کاهش داده شده است. عملکرد این الگوریتم توسط 3 دیتابیس استاندارد مورد ارزیابی قرار داده شده است که با توجه به نتایج به دست آمده، الگوریتم های پیشنهادی دقت تشخیص چهره را بهبود داده و در dater زمان دستیابی نیز بسیار کاهش داده شده است و تمام آنها کمتر دچار مشکل های sss و curse of dimensionality می شوند.